Σκέψεις πάνω στο άρθρο του Rezgar Akrawi για την τεχνητή νοημοσύνη*

Κ. Καψ.,   6 Μαΐου 2026

Το άρθρο του Rezgar Akrawi αποτελεί μια φιλόδοξη και πολυεπίπεδη συμβολή στην ανάλυση της τεχνητής νοημοσύνης (ΤΝ). Ο συγγραφέας επιχειρεί να αποδομήσει την κυρίαρχη αντίληψη περί «ουδετερότητας» της τεχνολογίας, υποστηρίζοντας ότι η τεχνητή νοημοσύνη εντάσσεται οργανικά στις σχέσεις παραγωγής του καπιταλισμού και λειτουργεί ως εργαλείο αναπαραγωγής της ταξικής κυριαρχίας με πιο σύνθετους και λιγότερο ορατούς τρόπους.

Η σημασία του κειμένου δεν περιορίζεται σε μια γενική καταγγελία της «καπιταλιστικής χρήσης» της τεχνητής νοημοσύνης. Αντίθετα, το άρθρο θίγει ένα ευρύ φάσμα θεμάτων: τον μετασχηματισμό της εργασίας και την εντατικοποίηση της εκμετάλλευσης μέσω της αυτοματοποίησης, τον ρόλο των δεδομένων ως νέας μορφής κεφαλαίου, την αλγοριθμική διαμόρφωση της συνείδησης και της κοινωνικής συμπεριφοράς, καθώς και τη συγκέντρωση τεχνολογικής ισχύος σε κράτη και μονοπωλιακές επιχειρήσεις. Παράλληλα, αναδεικνύονται ζητήματα όπως η ιδεολογική ηγεμονία στο ψηφιακό περιβάλλον, οι νέες μορφές ελέγχου και επιτήρησης, αλλά και η επέκταση της εκμετάλλευσης στον ίδιο τον «ψηφιακό χώρο» ως πεδίο παραγωγής αξίας.

Το άρθρο δεν μένει μόνο στη διάγνωση, αλλά προτείνει την ανάγκη για μια εναλλακτική, «αριστερή» κατεύθυνση στην ανάπτυξη της τεχνητής νοημοσύνης, βασισμένη σε δημοκρατικό έλεγχο, συλλογική ιδιοκτησία και κοινωνικό προσανατολισμό της τεχνολογίας.

Μια κριτική προσέγγιση του κειμένου οφείλει, επομένως, να λάβει υπόψη όχι μόνο τη θεωρητική του συνοχή και τις ιδεολογικές του αφετηρίες, αλλά και το εύρος των θεματικών που ανοίγει. Ωστόσο, η παρούσα απόπειρα κριτικής προσέγγισης δεν επιχειρεί να καλύψει πλήρως όλες αυτές τις πλευρές. Εστιάζει επιλεκτικά σε ορισμένα σημεία του άρθρου, καταθέτοντας κάποιες πρώτες σκέψεις και αφήνοντας αναπόφευκτα εκτός άλλα εξίσου σημαντικά ζητήματα που αξίζουν ξεχωριστή ανάλυση.

Το άρθρο του Akrawi ξεκινά από μια εύστοχη αφετηρία: η τεχνητή νοημοσύνη δεν είναι ουδέτερη τεχνολογία, αλλά αναπτύσσεται μέσα σε συγκεκριμένες κοινωνικές σχέσεις, και ειδικότερα μέσα στον καπιταλισμό. Αυτή η παρατήρηση είναι σημαντική, αλλά πρέπει να διατυπωθεί πιο συγκεκριμένα. Η τεχνητή νοημοσύνη δεν λειτουργεί μέσα σε έναν αφηρημένο «καπιταλισμό», αλλά μέσα σε διαφορετικές μορφές κεφαλαίου και στους μεταξύ τους ανταγωνισμούς.

Στη βιομηχανία, αξιοποιείται για να οργανώνει πιο αποτελεσματικά την παραγωγή και να ελέγχει την εργασία. Στο εμπόριο και τα χρηματοοικονομικά, επιταχύνει την κυκλοφορία των εμπορευμάτων και βοηθά στη διαχείριση του ρίσκου. Ταυτόχρονα, οι ψηφιακές πλατφόρμες συγκεντρώνουν ιδιαίτερη ισχύ, καθώς ελέγχουν δεδομένα, υποδομές και πρόσβαση στις αγορές. Έτσι, η τεχνητή νοημοσύνη δεν είναι απλώς ένα εργαλείο, αλλά μέρος των σύγχρονων στρατηγικών συσσώρευσης.

Η τεχνητή νοημοσύνη υπό το πρίσμα της θεωρίας της αξίας

Από τη σκοπιά της μαρξιστικής θεωρίας, το βασικό σημείο είναι ότι η αξία παράγεται από τη ζωντανή εργασία. Οι μηχανές, όσο εξελιγμένες κι αν είναι, δεν δημιουργούν από μόνες τους αξία[1], αλλά εντάσσονται σε μια διαδικασία όπου η εργασία παραμένει καθοριστική. Αυτό δεν αναιρεί τη σημασία της τεχνολογίας, αλλά μας βοηθά να καταλάβουμε τον ρόλο της.

Το ζήτημα γίνεται πιο σύνθετο με την εμφάνιση νέων μορφών εργασίας. Η ψηφιακή και γνωστική εργασία[2] δεν αναιρούν τη θεωρία της αξίας, αλλά την καθιστούν πιο απαιτητική: δεν αρκεί να αναγνωρίσουμε ότι πρόκειται για εργασία, αλλά πρέπει να προσδιορίσουμε αν και πώς εντάσσεται άμεσα στη διαδικασία παραγωγής υπεραξίας ή αν λειτουργεί υποστηρικτικά στη διαμόρφωση και πραγματοποίησή της.[3]

Αυτό φαίνεται καθαρά αν δούμε πώς χρησιμοποιείται η τεχνητή νοημοσύνη στην πράξη. Στην παραγωγή, για παράδειγμα, τα συστήματα που καθοδηγούν εργαζόμενους σε αποθήκες ή πλατφόρμες διανομής δεν παράγουν αξία από μόνα τους. Οργανώνουν και επιταχύνουν την εργασία, καθιστώντας την πιο εντατική και πιο ελεγχόμενη.

Στην κυκλοφορία, αντίστοιχα, τα συστήματα που προτείνουν προϊόντα ή προσαρμόζουν τιμές δεν δημιουργούν νέα αξία, αλλά συμβάλλουν στο να πουληθούν πιο γρήγορα τα εμπορεύματα και να αυξηθεί η πιθανότητα κέρδους. Με αυτή την έννοια, η τεχνητή νοημοσύνη παρεμβαίνει σε διαφορετικές φάσεις του ίδιου κύκλου.

Την ίδια στιγμή, η αυτοματοποίηση δεν οδηγεί απλώς σε μείωση της εργασίας. Σε ορισμένα σημεία την καταργεί, σε άλλα τη μετασχηματίζει και τη μετακινεί. Νέες μορφές εργασίας εμφανίζονται εκεί όπου δεν είναι άμεσα ορατές —στην επισήμανση δεδομένων, στην εποπτεία περιεχομένου, στην εκπαίδευση των ίδιων των συστημάτων. Έτσι, η εργασία ταυτόχρονα περιορίζεται σε ορισμένους τομείς, αναδιατάσσεται σε άλλους και γίνεται συνολικά πιο κατακερματισμένη.[4]

Ένα ακόμη κρίσιμο στοιχείο είναι ο ρόλος των δεδομένων. Αν και δεν αποτελούν αυτόνομη πηγή αξίας, είναι καθοριστικά για τον τρόπο με τον οποίο οργανώνεται η παραγωγή και πραγματοποιείται το κέρδος. Μέσω αυτών, οι επιχειρήσεις μπορούν να επιταχύνουν την κυκλοφορία των εμπορευμάτων, να μειώσουν την αβεβαιότητα και να εντείνουν τον έλεγχο της εργασίας.[5]

Ωστόσο, η αξιοποίηση των δεδομένων δεν γίνεται σε συνθήκες ισότιμης πρόσβασης. Αντίθετα, συγκεντρώνεται σε λίγες μεγάλες επιχειρήσεις που ελέγχουν τις βασικές υποδομές και τα συστήματα τεχνητής νοημοσύνης. Έτσι, η τεχνολογία αυτή συνδέεται άμεσα με μορφές μονοπωλιακής ισχύος.[6]

Αν δούμε τη συνολική εικόνα, η τεχνητή νοημοσύνη δεν επηρεάζει απλώς επιμέρους λειτουργίες, αλλά εντάσσεται στη συνολική κίνηση του κεφαλαίου, από την παραγωγή μέχρι την κυκλοφορία και την κατανάλωση.

Σε αυτό το πλαίσιο, αναδεικνύεται μια βασική αντίφαση: από τη μία πλευρά, η τεχνολογία αυξάνει την παραγωγικότητα· από την άλλη, εντείνει τις πιέσεις που σχετίζονται με την ίδια τη διαδικασία παραγωγής της αξίας.[7] Το κεφάλαιο επιχειρεί να αντιμετωπίσει αυτή την ένταση μέσω γνωστών μηχανισμών, όπως η εντατικοποίηση της εργασίας, η μείωση του κόστους (π.χ. μεταφορά παραγωγής σε χώρες με φθηνή εργασία), η επέκταση σε νέες αγορές και η εμπορευματοποίηση δεδομένων.

Το άρθρο του Akrawi αναγνωρίζει πολλές από αυτές τις εξελίξεις, αλλά δεν τις συνδέει συστηματικά με τη θεωρία της αξίας.

Χωρίς μια τέτοια ανάλυση, η επιχειρηματολογία του άρθρου κινδυνεύει να παραμείνει επιφανειακή. Η «εκμετάλλευση» εμφανίζεται τότε ως ένας γενικός, σχεδόν ηθικός όρος, που περιγράφει ανισότητες ή αδικίες, αλλά δεν εξηγεί τους συγκεκριμένους οικονομικούς μηχανισμούς μέσα από τους οποίους παράγεται το κέρδος. Με αυτόν τον τρόπο, χάνεται το βασικό πλεονέκτημα της μαρξιστικής προσέγγισης: η δυνατότητα να συνδέει τις κοινωνικές εμπειρίες με τη δομή της παραγωγής αξίας.

Ίσως αυτό είναι και το πιο ενδιαφέρον σημείο. Η τεχνητή νοημοσύνη δεν αποτελεί μόνο μέσο ενίσχυσης του καπιταλισμού, αλλά και πεδίο όπου γίνονται πιο ορατές οι αντιφάσεις του —ανάμεσα στην εργασία και την αυτοματοποίηση, ανάμεσα στη συλλογική παραγωγή δεδομένων και στην ιδιωτική τους ιδιοποίηση, ανάμεσα στη διάχυτη συμβολή πολλών και στη συγκέντρωση του κέρδους σε λίγους.

Τα όρια της αντίληψης της τεχνητής νοημοσύνης ως ενιαίου μηχανισμού κυριαρχίας

Ένα δεύτερο ζήτημα στην ανάλυση του άρθρου αφορά τον τρόπο με τον οποίο παρουσιάζεται η τεχνητή νοημοσύνη ως ένα ενιαίο και σχεδόν ομοιογενές σύστημα κυριαρχίας. Η εικόνα που διαμορφώνεται είναι ότι, είτε πρόκειται για εργοστάσια, είτε για νοσοκομεία, είτε για δημόσια διοίκηση, είτε για πλατφόρμες εργασίας, η τεχνητή νοημοσύνη λειτουργεί με τον ίδιο βασικό τρόπο, ως μηχανισμός επιτήρησης και ελέγχου.

Η προσέγγιση αυτή δεν είναι αυθαίρετη. Πράγματι, η αλγοριθμική οργάνωση της εργασίας και της πληροφορίας επεκτείνεται σε όλο και περισσότερα πεδία. Αν όμως μείνουμε σε αυτό το επίπεδο γενίκευσης, χάνεται κάτι κρίσιμο: η τεχνητή νοημοσύνη δεν συγκροτεί έναν ενιαίο μηχανισμό, αλλά ένα σύνολο διαφορετικών τεχνολογικών μορφών που εντάσσονται σε άνισες και συγκεκριμένες κοινωνικές σχέσεις.

Από μαρξιστική σκοπιά, και με την απαίτηση για συγκεκριμένη ανάλυση των συγκεκριμένων συνθηκών, δεν υπάρχει «η τεχνητή νοημοσύνη» ως αφηρημένη ολότητα. Υπάρχουν επιμέρους εφαρμογές, ενταγμένες σε διαφορετικά πεδία παραγωγής και εξουσίας. Άλλο είναι ένας αλγόριθμος που οργανώνει την εργασία σε μια αποθήκη, άλλο ένα σύστημα που υποστηρίζει ιατρικές διαγνώσεις σε δημόσιο νοσοκομείο, και άλλο ένα σύστημα που ρυθμίζει την ορατότητα του περιεχομένου στις πλατφόρμες κοινωνικής δικτύωσης. Αν όλα αυτά αντιμετωπιστούν ως εκφράσεις μιας ενιαίας «αλγοριθμικής κυριαρχίας», τότε παραβλέπονται οι διαφορές που καθορίζουν τόσο τον τρόπο άσκησης της εξουσίας όσο και τα πιθανά σημεία ρήξης.

Κάθε κοινωνικό φαινόμενο περιέχει πολλαπλές αντιφάσεις, αλλά σε κάθε συγκεκριμένη συγκυρία μία αποκτά καθοριστικό ρόλο, δηλαδή επηρεάζει τη συνολική κατεύθυνση της ανάπτυξης. Στην περίπτωση της τεχνητής νοημοσύνης στον σύγχρονο καπιταλισμό, μια τέτοια κύρια αντίφαση είναι εκείνη ανάμεσα στον ολοένα πιο κοινωνικό χαρακτήρα της παραγωγής γνώσης και δεδομένων και στην ιδιωτική καπιταλιστική ιδιοποίησή τους.

Αυτό γίνεται ιδιαίτερα ορατό στα μεγάλα γλωσσικά μοντέλα. Εκπαιδεύονται πάνω σε τεράστιες ποσότητες δεδομένων που παράγονται συλλογικά από χρήστες, εργαζόμενους, επιστημονικές κοινότητες, συγγραφείς και γενικότερα από την καθημερινή ψηφιακή δραστηριότητα εκατομμυρίων ανθρώπων. Ωστόσο, τα αποτελέσματα αυτής της συλλογικής παραγωγής ιδιοποιούνται από έναν μικρό αριθμό μεγάλων εταιρειών. Εδώ συμπυκνώνεται η βασική αντίφαση: κοινωνική παραγωγή από τη μία, ιδιωτική ιδιοποίηση από την άλλη. Η αντίφαση αυτή δεν εκδηλώνεται ομοιόμορφα, αλλά διαμεσολαβείται από τις ιδιαίτερες κοινωνικές σχέσεις κάθε πεδίου, λαμβάνοντας διαφορετικές μορφές —από τη δωρεάν ψηφιακή δραστηριότητα και την επισφαλή επισημείωση δεδομένων έως την ιδιωτικοποίηση της επιστημονικής γνώσης και την ενίσχυση του ελέγχου στον χώρο εργασίας[8].

Η διαφοροποίηση αυτή δεν είναι δευτερεύουσα. Η τεχνολογία συνδέεται άμεσα με τη συγκέντρωση και συγκεντροποίηση του κεφαλαίου. Οι μεγάλες ψηφιακές πλατφόρμες και οι εταιρείες τεχνητής νοημοσύνης λειτουργούν ως μονοπωλιακοί κόμβοι που ελέγχουν δεδομένα, υποδομές και αλγορίθμους. Έτσι, η μορφή που παίρνει κάθε εφαρμογή της τεχνητής νοημοσύνης δεν είναι ουδέτερη, αλλά εξαρτάται από τη θέση της μέσα σε αυτή τη δομή ισχύος.

Αυτό γίνεται σαφές αν δούμε συγκεκριμένα παραδείγματα. Ένας εργαζόμενος σε πλατφόρμα διανομής δεν έρχεται αντιμέτωπος με την «τεχνητή νοημοσύνη γενικά», αλλά με έναν συγκεκριμένο αλγόριθμο που ρυθμίζει τις παραγγελίες, τον χρόνο και τελικά το εισόδημά του. Αντίθετα, ένας γιατρός σε ένα δημόσιο σύστημα υγείας μπορεί να χρησιμοποιεί συστήματα υποστήριξης αποφάσεων που εντάσσονται σε διαφορετικό θεσμικό πλαίσιο και εμπλέκονται σε άλλου τύπου αντιφάσεις. Η γενίκευση ότι «η τεχνητή νοημοσύνη παντού επιτηρεί με τον ίδιο τρόπο» δεν βοηθά να κατανοηθούν αυτές οι διαφορές.

Η τεχνητή νοημοσύνη δεν αναπτύσσεται ούτε τεχνικά ούτε κοινωνικά με ομοιόμορφο τρόπο. Σε ορισμένα πεδία, όπως οι πλατφόρμες εργασίας, συνδέεται άμεσα με την εντατικοποίηση της εκμετάλλευσης. Σε άλλα, όπως η ιατρική έρευνα ή ορισμένες δημόσιες υπηρεσίες, εμφανίζονται πιο σύνθετες μορφές, όπου συνυπάρχουν κοινωνικές ανάγκες και καπιταλιστικοί περιορισμοί. Αυτή η ανισομέρεια αποτελεί έκφραση της ίδιας της δομής του συστήματος.

Αυτό έχει και άμεση πολιτική σημασία. Αν η κυριαρχία παρουσιαστεί ως απόλυτα ομοιογενής και πανταχού παρούσα, τότε γίνεται ασαφές πού ακριβώς συγκεντρώνεται η δύναμη και πού μπορούν να εμφανιστούν ρωγμές. Ωστόσο, η πολιτική ανάλυση δεν μπορεί να περιορίζεται σε γενικές καταγγελίες· απαιτεί εντοπισμό των κομβικών σημείων συγκέντρωσης ισχύος.

Για παράδειγμα, ο έλεγχος των δεδομένων σε μια μεγάλη πλατφόρμα κοινωνικής δικτύωσης έχει διαφορετική βαρύτητα από τη χρήση ενός τοπικού συστήματος διαχείρισης νοσοκομείου. Στην πρώτη περίπτωση, τίθενται ζητήματα που αφορούν την εμπορευματοποίηση της προσοχής και τη διαμόρφωση του δημόσιου λόγου. Στη δεύτερη, έχουμε κυρίως ζητήματα οργάνωσης υπηρεσιών, με διαφορετικά όρια και δυνατότητες παρέμβασης.

Από αυτή τη σκοπιά, οι αντιφάσεις δεν έχουν παντού την ίδια ένταση ούτε το ίδιο βάρος. Αυτό σημαίνει ότι η πολιτική παρέμβαση δεν μπορεί να είναι ενιαία και αφηρημένη. Πρέπει να εντοπίζει πού η αντίφαση ανάμεσα σε κοινωνική παραγωγή και ιδιωτική ιδιοποίηση γίνεται πιο οξεία και πού μπορεί να μετατραπεί σε πεδίο αγώνα.

Η βασική αδυναμία του άρθρου δεν είναι ότι αναγνωρίζει την τεχνητή νοημοσύνη ως εργαλείο κυριαρχίας, αλλά ότι τείνει να την παρουσιάζει ως έναν ενιαίο μηχανισμό χωρίς εσωτερικές διαφοροποιήσεις. Μια πιο αυστηρή μαρξιστική προσέγγιση δείχνει ότι η τεχνητή νοημοσύνη συγκροτεί ένα πεδίο όπου η κυριαρχία παίρνει πολλαπλές μορφές.

Έτσι, η ανάλυση γίνεται πιο συγκεκριμένη και πιο πολιτικά χρήσιμη: όχι μόνο επειδή αναδεικνύει την ύπαρξη της κυριαρχίας, αλλά επειδή βοηθά να εντοπιστεί πού και πώς συγκροτείται, και άρα πού μπορούν να αναπτυχθούν μορφές αντίστασης και σύγκρουσης.

Η τεχνητή νοημοσύνη ως πεδίο αντίφασης: από την καπιταλιστική λειτουργία στον κοινωνικό μετασχηματισμό

Η συζήτηση για την τεχνητή νοημοσύνη στο άρθρο του Akrawi κορυφώνεται σε μια φαινομενική αντίφαση: από τη μία πλευρά, η τεχνητή νοημοσύνη παρουσιάζεται ως βαθιά ενσωματωμένη στις καπιταλιστικές σχέσεις παραγωγής· από την άλλη, αφήνεται ανοιχτό το ενδεχόμενο να αποτελέσει εργαλείο κοινωνικής απελευθέρωσης. Το ζήτημα δεν είναι ότι αυτή η διπλή εικόνα είναι «λάθος». Το πρόβλημα είναι ότι δεν αναλύεται επαρκώς ως αντίφαση που χρειάζεται εξήγηση.

Αν ξεκινήσουμε από μια βασική αρχή του μαρξισμού, τα μέσα παραγωγής δεν είναι ουδέτερα εργαλεία. Διαμορφώνονται μέσα σε συγκεκριμένες κοινωνικές σχέσεις και φέρουν τα ίχνη αυτών των σχέσεων στη λειτουργία τους. Η τεχνητή νοημοσύνη δεν αποτελεί εξαίρεση. Αναπτύσσεται με επενδυτικά κεφάλαια που απαιτούν απόδοση, εκπαιδεύεται πάνω σε δεδομένα που έχουν συλλεχθεί μέσα από εμπορευματοποιημένες δραστηριότητες και εφαρμόζεται σε περιβάλλοντα όπου το βασικό κριτήριο είναι η αύξηση της παραγωγικότητας και του κέρδους. Όταν, για παράδειγμα, ένας αλγόριθμος οργανώνει την εργασία σε μια αποθήκη ή καθορίζει τις διαδρομές ενός οδηγού πλατφόρμας, δεν λειτουργεί με ουδέτερους όρους. Ενσωματώνει την ανάγκη του κεφαλαίου να μειώσει κόστος, να επιταχύνει ρυθμούς, να ελέγξει τη ζωντανή εργασία, να εντείνει την εκμετάλλευση.

Από αυτή την άποψη, η τεχνητή νοημοσύνη είναι πράγματι «δομικά» καπιταλιστική —όχι με την έννοια ότι είναι αιώνια και αμετάβλητη, αλλά επειδή η σημερινή της μορφή είναι ήδη ενσωματωμένη και έχει διαμορφωθεί μέσα σε αυτές τις σχέσεις παραγωγής του κεφαλαίου. Το πρόβλημα όμως εμφανίζεται όταν, ταυτόχρονα, υπονοείται ότι η ίδια τεχνολογία μπορεί σχετικά εύκολα να επαναπροσανατολιστεί προς κοινωνικούς σκοπούς. Αν η τεχνητή νοημοσύνη είναι τόσο βαθιά ενσωματωμένη στη λογική της συσσώρευσης, τότε δεν είναι αυτονόητο ότι μπορεί απλώς να «αλλάξει χέρια» και να λειτουργήσει διαφορετικά.

Κάθε κοινωνικό φαινόμενο περιέχει αντιφατικές πλευρές. Στην περίπτωση της τεχνητής νοημοσύνης, η μία πλευρά είναι η καπιταλιστική της λειτουργία: η χρήση της για εντατικοποίηση της εργασίας, για έλεγχο, για αύξηση της υπεραξίας. Αυτή είναι η κυρίαρχη πλευρά στη σημερινή συγκυρία. Όμως δεν είναι η μόνη. Η ίδια τεχνολογία βασίζεται σε συλλογική γνώση, σε επιστημονική εργασία, σε δεδομένα που παράγονται από εκατομμύρια ανθρώπους. Με αυτή την έννοια, ενσωματώνει μια μορφή κοινωνικής συνεργασίας που υπερβαίνει τα στενά όρια της επιχείρησης.

Αυτή η δεύτερη πλευρά δεν αναιρεί την πρώτη. Υπάρχει μέσα της, σε ένταση μαζί της. Το κρίσιμο ερώτημα δεν είναι αν η τεχνητή νοημοσύνη «είναι» καπιταλιστική ή «μπορεί» να γίνει κοινωνική. Το ερώτημα είναι ποια πλευρά της αντίφασης είναι κυρίαρχη και υπό ποιες συνθήκες μπορεί να μεταβληθεί αυτή η κυριαρχία.

Τα βασικά μέσα παραγωγής στον ανεπτυγμένο καπιταλισμό συγκεντρώνονται σε μεγάλα μονοπώλια. Σήμερα, η τεχνητή νοημοσύνη δεν είναι διάσπαρτη σε μικρές, ανεξάρτητες μονάδες· ελέγχεται από ισχυρές εταιρείες που διαθέτουν τα δεδομένα, τις υποδομές και την υπολογιστική ισχύ. Αυτό σημαίνει ότι το ζήτημα της «επανοικειοποίησης» της τεχνητής νοημοσύνης δεν είναι τεχνικό, αλλά βαθιά πολιτικό, είναι ζήτημα σύγκρουσης με συγκεντρωμένη οικονομική ισχύ. Δεν αφορά απλώς το πώς χρησιμοποιείται μια τεχνολογία, αλλά το ποιος ελέγχει τις υλικές προϋποθέσεις της.

Ας το δούμε με ένα απλό παράδειγμα. Ένα σύστημα τεχνητής νοημοσύνης που χρησιμοποιείται σε μια επιχείρηση οργανώνει την εργασία με βάση την ταχύτητα, την ακρίβεια και τη μείωση του κόστους. Οι διαδρομές, οι χρόνοι, ακόμη και οι «παύσεις» των εργαζομένων υπολογίζονται ώστε να αυξηθεί η παραγωγικότητα. Αν αυτό το σύστημα περάσει σε συλλογικό έλεγχο, δεν αρκεί να παραμείνει το ίδιο. Πρέπει να αλλάξει το ίδιο το κριτήριο «βελτιστοποίησης». Αντί για τη μεγιστοποίηση του κέρδους, μπορεί να τεθεί ως στόχος η μείωση της έντασης της εργασίας, η καλύτερη κατανομή του χρόνου, η εξυπηρέτηση κοινωνικών αναγκών. Αυτό, όμως, σημαίνει αλλαγή στα δεδομένα που συλλέγονται, στους στόχους που τίθενται, στους περιορισμούς που ενσωματώνονται στον αλγόριθμο. Δηλαδή, σημαίνει μετασχηματισμό της ίδιας της τεχνικής δομής.

Εδώ αναδεικνύεται η διαλεκτική σχέση ανάμεσα στις παραγωγικές δυνάμεις και τις παραγωγικές σχέσεις. Η τεχνητή νοημοσύνη, ως παραγωγική δύναμη, δεν αναπτύσσεται σε κενό, αλλά συγκροτείται μέσα σε συγκεκριμένες κοινωνικές σχέσεις, οι οποίες καθορίζουν τους στόχους, τα κριτήρια και τους τρόπους μέτρησης με βάση τα οποία αξιολογείται και κατευθύνεται η λειτουργία της[9]. Ταυτόχρονα, η ίδια η ανάπτυξή της τείνει να αναδιαμορφώνει αυτές τις σχέσεις, ενισχύοντας ή μετασχηματίζοντας υπάρχουσες μορφές οργάνωσης και ελέγχου της εργασίας[10].

Έτσι, η σχέση δεν είναι εξωτερική αλλά εσωτερική: οι κοινωνικές σχέσεις εγγράφονται μέσα στον σχεδιασμό της τεχνολογίας, ενώ η τεχνολογία, με τη σειρά της, αναπαράγει και τροποποιεί αυτές τις σχέσεις. Συνεπώς, ακόμη και σε συνθήκες αλλαγής πολιτικής εξουσίας ή θεσμικού πλαισίου, οι υπάρχουσες τεχνολογίες δεν παραμένουν ουδέτερες· φέρουν ενσωματωμένες τις προηγούμενες κοινωνικές σχέσεις και απαιτούν ενεργό μετασχηματισμό για να λειτουργήσουν διαφορετικά.

Αυτό μας επιτρέπει να αποφύγουμε δύο απλουστεύσεις που συχνά εμφανίζονται στη συζήτηση. Από τη μία, την ιδέα ότι η τεχνολογία είναι ουδέτερη και αρκεί να «χρησιμοποιηθεί σωστά». Από την άλλη, την ιδέα ότι είναι τόσο βαθιά καπιταλιστική ώστε δεν μπορεί να αλλάξει. Η πραγματικότητα είναι πιο σύνθετη: η τεχνητή νοημοσύνη είναι διαμορφωμένη από τον καπιταλισμό, αλλά περιέχει και δυνατότητες που δεν εξαντλούνται σε αυτόν. Η έκβαση αυτής της αντίφασης δεν είναι προδιαγεγραμμένη.

Το κρίσιμο σημείο, λοιπόν, είναι η μετάβαση. Και εδώ το άρθρο αφήνει ένα κενό. Η ιδέα ότι η Αριστερά πρέπει να «διεκδικήσει» την τεχνητή νοημοσύνη είναι εύλογη ως κατεύθυνση, αλλά παραμένει αφηρημένη αν δεν συνοδεύεται από μια συγκεκριμένη θεωρία για το πώς μπορεί να συμβεί αυτό. Μια τέτοια θεωρία δεν αφορά απλώς την αλλαγή ιδιοκτησίας ή ελέγχου, αλλά τη μεταβολή των υλικών όρων μέσα στους οποίους σχεδιάζεται και λειτουργεί η τεχνολογία: των κριτηρίων αξιολόγησης, των μορφών εργασίας που οργανώνει και των τρόπων με τους οποίους ενσωματώνει και αξιοποιεί τη συλλογική γνώση. Ποιος θα αλλάξει τα κριτήρια σχεδιασμού; Ποιος θα ελέγξει τα δεδομένα; Πώς θα μετασχηματιστούν οι ίδιες οι τεχνικές υποδομές; Αυτά δεν είναι δευτερεύοντα ερωτήματα· είναι ο πυρήνας του προβλήματος.

Μια συνεπής μαρξιστική προσέγγιση οφείλει να αντιμετωπίζει την τεχνητή νοημοσύνη ως ιστορικά προσδιορισμένη μορφή ανάπτυξης του κεφαλαίου, η οποία ενσωματώνει συγκεκριμένες σχέσεις εκμετάλλευσης και ταυτόχρονα εντάσσεται στις αντιφάσεις του ίδιου του καπιταλιστικού τρόπου παραγωγής. Αυτές οι αντιφάσεις —και όχι κάποια εξωτερική “χρήση” της τεχνολογίας— αποτελούν το έδαφος πάνω στο οποίο μπορούν να τεθούν τα ερωτήματα του κοινωνικού μετασχηματισμού.

Τελικά, η αντίφαση που εντοπίζεται στο άρθρο αντανακλά μια πραγματική αντίφαση της ίδιας της σύγχρονης καπιταλιστικής ανάπτυξης. Η τεχνητή νοημοσύνη είναι ταυτόχρονα εργαλείο ενίσχυσης της εκμετάλλευσης και συμπύκνωση συλλογικής γνώσης. Το αν θα παραμείνει το πρώτο ή θα μετατραπεί σε κάτι διαφορετικό δεν εξαρτάται από την «καλή χρήση» της, αλλά από τη συνολική κίνηση της ταξικής πάλης, από το ποια κοινωνική δύναμη θα επιβάλει τα δικά της κριτήρια πάνω στην ίδια την οργάνωση της παραγωγής.

Με αυτή την έννοια, το πραγματικό διακύβευμα δεν είναι η τεχνολογία καθαυτή, αλλά ο κοινωνικός έλεγχος πάνω στις υλικές και τεχνικές της προϋποθέσεις. Και αυτό είναι ζήτημα όχι απλώς θεωρητικό, αλλά βαθιά πολιτικό.

Τεχνητή νοημοσύνη, εκμετάλλευση και ιδεολογική κυριαρχία: η ενότητά τους

Το άρθρο συνδέει την τεχνητή νοημοσύνη τόσο με την εντατικοποίηση της εργασίας όσο και με τη διαμόρφωση της συνείδησης μέσω του ελέγχου της πληροφορίας.

Η ανάλυση της τεχνητής νοημοσύνης ως ταυτόχρονα μηχανισμού εκμετάλλευσης και μηχανισμού ιδεολογικής κυριαρχίας δεν παρουσιάζει εγγενώς κάποιο πρόβλημα. Αντίθετα, βρίσκεται σε πλήρη συμφωνία με τη μαρξιστική παράδοση, η οποία δεν περιορίζει την κυριαρχία του κεφαλαίου μόνο στο πεδίο της παραγωγής, αλλά την αναγνωρίζει και στο επίπεδο της αναπαραγωγής των κοινωνικών σχέσεων. Το ζήτημα, όμως, δεν είναι η απλή συνύπαρξη αυτών των δύο επιπέδων, αλλά ο τρόπος με τον οποίο συνδέονται μεταξύ τους.

Στον ιστορικό υλισμό, η ιδεολογία δεν αποτελεί μια αυτόνομη δύναμη που επιδρά εξωτερικά στην κοινωνία. Παράγεται μέσα από τις ίδιες τις υλικές σχέσεις παραγωγής και αναπαράγει αυτές τις σχέσεις σε επίπεδο συνείδησης. Αυτό σημαίνει ότι η ανάλυση της ιδεολογικής λειτουργίας της τεχνητής νοημοσύνης πρέπει να ξεκινά από τον τρόπο με τον οποίο αυτή εντάσσεται στη διαδικασία παραγωγής της αξίας και αναπαραγωγής του κεφαλαίου.

Αν δούμε πιο συγκεκριμένα πώς λειτουργούν οι σύγχρονες ψηφιακές πλατφόρμες, γίνεται σαφές ότι οι αλγόριθμοι δεν σχεδιάζονται πρωτίστως για να «ελέγχουν τη συνείδηση» με αφηρημένο τρόπο. Σχεδιάζονται για να μεγιστοποιούν μετρήσιμα οικονομικά μεγέθη: χρόνο παραμονής, αλληλεπίδραση, διαφημιστικά έσοδα. Ένας αλγόριθμος που προτείνει βίντεο ή ειδήσεις δεν έχει ως άμεσο στόχο να διαμορφώσει πολιτικές πεποιθήσεις. Έχει ως στόχο να κρατήσει τον χρήστη όσο το δυνατόν περισσότερο στην πλατφόρμα. Ωστόσο, ακριβώς μέσα από αυτή τη διαδικασία προκύπτουν ιδεολογικά αποτελέσματα: ορισμένες πληροφορίες ενισχύονται, άλλες εξαφανίζονται, συγκεκριμένες μορφές λόγου γίνονται κυρίαρχες.

Εδώ βρίσκεται ο κρίσιμος μηχανισμός μεσολάβησης: η ιδεολογική επίδραση δεν είναι ανεξάρτητη από την οικονομική λειτουργία, αλλά παράγωγο της. Η εμπορευματοποίηση της προσοχής δεν συνεπάγεται ότι η εμπειρία και η συνείδηση παράγουν άμεσα αξία. Αντίθετα, συγκροτούν ένα πεδίο δυνητικής αξιοποίησης, το οποίο ενεργοποιείται μόνο μέσω συγκεκριμένων μορφών ανθρώπινης εργασίας (ανάπτυξη αλγορίθμων, παραγωγή περιεχομένου, ανάλυση δεδομένων, διαφημιστική στόχευση). Η αξία δεν απορρέει από την προσοχή καθαυτή, αλλά από την κοινωνικά οργανωμένη εργασία που την καθιστά εκμεταλλεύσιμη. Με αυτή την έννοια, η τεχνητή νοημοσύνη δεν «προσθέτει» ιδεολογική κυριαρχία πάνω στην εκμετάλλευση· την ενσωματώνει στην ίδια τη διαδικασία παραγωγής και κυκλοφορίας της αξίας.

Αν αυτή η σχέση δεν αποσαφηνιστεί, τότε η τεχνητή νοημοσύνη κινδυνεύει να εμφανιστεί ως μια σχεδόν αυτόνομη δύναμη ελέγχου της συνείδησης. Και εδώ περνάμε από τον υλισμό σε μια μορφή τεχνολογικού ιδεαλισμού, όπου η κυριαρχία φαίνεται να πηγάζει από τα συστήματα πληροφορίας και όχι από τις κοινωνικές σχέσεις που τα παράγουν.

Ο Λένιν επέμεινε ότι η ιδεολογική κυριαρχία της άρχουσας τάξης δεν προκύπτει αυθόρμητα, αλλά οργανώνεται μέσα από συγκεκριμένους μηχανισμούς —το κράτος, τα μέσα ενημέρωσης, τους θεσμούς. Σήμερα, διαμορφώνεται και μέσα από τη λειτουργία των ψηφιακών πλατφορμών. Μεγάλες εταιρείες καθορίζουν τι γίνεται ορατό, ενώ οι αλγόριθμοι προωθούν συγκεκριμένες αντιλήψεις ως αυτονόητες. Η διαδικασία αυτή δεν είναι αυτόματη, αλλά βασίζεται σε ανθρώπινη εργασία και ενσωματώνεται στις καθημερινές πρακτικές χρήσης, διαμορφώνοντας τον τρόπο που σκεφτόμαστε και αντιλαμβανόμαστε τον κόσμο.

Το κρίσιμο ζήτημα δεν ήταν μόνο η ύπαρξη ιδεολογικής κυριαρχίας, αλλά το πώς αυτή συνδέεται με την ταξική πάλη. Αν η ανάλυση της τεχνητής νοημοσύνης δίνει την εντύπωση ότι η κυριαρχία ασκείται παντού με τον ίδιο τρόπο —στην παραγωγή, στην κατανάλωση, στην κουλτούρα, στην καθημερινή ζωή— χωρίς ιεράρχηση, τότε προκύπτει ένα σοβαρό στρατηγικό πρόβλημα. Η πολιτική πάλη δεν μπορεί να δοθεί «παντού το ίδιο». Χρειάζεται να εντοπιστούν τα κομβικά σημεία όπου συγκεντρώνεται η υλική δύναμη του κεφαλαίου.

Από αυτή την άποψη, η παραγωγή και η εκμετάλλευση της εργασίας παραμένουν το κεντρικό πεδίο. Οι πλατφόρμες, τα δεδομένα και οι αλγόριθμοι δεν αναιρούν αυτή τη βάση· την αναδιαρθρώνουν. Ένας οδηγός σε πλατφόρμα διανομής δεν βιώνει πρώτα την «ιδεολογική χειραγώγηση» και μετά την εκμετάλλευση. Βιώνει την εκμετάλλευση μέσα από έναν αλγοριθμικό μηχανισμό που ταυτόχρονα οργανώνει και τη συμπεριφορά του. Η ιδεολογία και η οικονομία δεν είναι δύο ξεχωριστά επίπεδα, αλλά στιγμές της ίδιας διαδικασίας.

Ας προχωρήσουμε ένα βήμα παραπέρα, δίνοντας έμφαση στη διαλεκτική σχέση βάσης και εποικοδομήματος. Ο Μάο τόνισε ότι, παρότι η οικονομική βάση είναι καθοριστική «σε τελευταία ανάλυση», σε συγκεκριμένες συνθήκες το εποικοδόμημα —η πολιτική, η ιδεολογία, η κουλτούρα— μπορεί να παίξει αποφασιστικό ρόλο. Αυτό έχει ιδιαίτερη σημασία για την κατανόηση της τεχνητής νοημοσύνης.

Σήμερα, η αρχιτεκτονική των αλγορίθμων —τι μετράται, τι προβάλλεται, τι αποκρύπτεται— δεν είναι ουδέτερη. Μπορεί να ενισχύει συγκεκριμένες μορφές κοινωνικής συμπεριφοράς και να αποδυναμώνει άλλες. Σε περιόδους κοινωνικής έντασης, αυτό μπορεί να επηρεάσει πραγματικά την έκβαση συγκρούσεων. Για παράδειγμα, η ορατότητα ή η απόκρυψη απεργιακών κινητοποιήσεων σε ψηφιακά μέσα δεν είναι απλώς τεχνικό ζήτημα· μπορεί να επηρεάσει την ίδια την ανάπτυξη της ταξικής πάλης.

Ωστόσο, η έμφαση στο ρόλο της συνείδησης δεν σημαίνει ότι αυτή αποκόπτεται από την υλική της βάση. Αντίθετα, σημαίνει ότι η πάλη διεξάγεται ταυτόχρονα σε πολλαπλά επίπεδα, με διαφορετικά «κύρια» και «δευτερεύοντα» στοιχεία σε κάθε συγκυρία. Το λάθος θα ήταν να αντιστραφεί αυτή η σχέση και να θεωρηθεί ότι ο έλεγχος της πληροφορίας αποτελεί το πρωτεύον πεδίο της σύγκρουσης ανεξάρτητα από την παραγωγή.

Αν συμβεί αυτό, τότε αλλάζει και το υποκείμενο της ανάλυσης. Η εργατική τάξη, ως τάξη που παράγει αξία, υποχωρεί στο παρασκήνιο και αντικαθίσταται από ένα γενικό σύνολο «χρηστών» ή «καταναλωτών πληροφορίας». Αυτή η μετατόπιση δεν είναι αθώα. Αποδυναμώνει την έννοια της εκμετάλλευσης και μετατρέπει την κριτική σε ζήτημα «πρόσβασης στην πληροφορία» ή «ελέγχου των δεδομένων», απομακρύνοντάς την από τις σχέσεις παραγωγής.

Μια αυστηρά μαρξιστική προσέγγιση, οφείλει να αποφύγει αυτή τη μετατόπιση. Η τεχνητή νοημοσύνη πρέπει να αναλυθεί πρωτίστως ως μορφή οργάνωσης της εργασίας[11] και της αξιοποίησης της αξίας[12], που ταυτόχρονα επεκτείνεται στο πεδίο της αναπαραγωγής των κοινωνικών σχέσεων[13]. Η ιδεολογική της λειτουργία δεν είναι ανεξάρτητη, αλλά ενσωματωμένη σε αυτή τη διαδικασία.

Από εδώ προκύπτει και μια πιο καθαρή στρατηγική εικόνα. Η σύγκρουση δεν βρίσκεται απλώς «παντού», αλλά συγκεντρώνεται εκεί όπου η τεχνητή νοημοσύνη οργανώνει και εντατικοποιεί την εκμετάλλευση: στους χώρους εργασίας, στις πλατφόρμες, στις υποδομές δεδομένων. Ταυτόχρονα, επεκτείνεται στο επίπεδο της ιδεολογίας, όπου διαμορφώνονται οι όροι αντίληψης και δράσης. Η ενότητα αυτών των δύο επιπέδων δεν είναι θεωρητική πολυτέλεια· είναι όρος για να κατανοηθεί πού και πώς μπορεί να υπάρξει αποτελεσματική παρέμβαση.

Με αυτή την έννοια, το βασικό ζητούμενο δεν είναι απλώς να καταγγελθεί η τεχνητή νοημοσύνη ως εργαλείο κυριαρχίας, αλλά να χαρτογραφηθεί ο συγκεκριμένος μηχανισμός που συνδέει την παραγωγή αξίας με την παραγωγή συνείδησης. Μόνο τότε μπορεί να εντοπιστεί το σημείο όπου η ταξική πάλη μπορεί να γίνει πραγματικά αποτελεσματική.

Ανοιχτός κώδικας, ρύθμιση και δημοκρατικός έλεγχος: δυνατότητες και όρια

Στο άρθρο προτείνονται λύσεις όπως ανοιχτός κώδικας, διαφάνεια, «ουδέτερα» και δημοκρατικά διαχειριζόμενα συστήματα, καθώς και διεθνή ρύθμιση της τεχνητής νοημοσύνης ώστε να υπηρετεί την κοινωνία.

Αυτές οι προτάσεις φαίνονται δελεαστικές, επιφανειακά, ρεαλιστικές και τεχνικά εφαρμόσιμες. Για παράδειγμα, πράγματι υπάρχουν ήδη μοντέλα τεχνητής νοημοσύνης ανοιχτού κώδικα που επιτρέπουν μεγαλύτερη διαφάνεια στον τρόπο λειτουργίας των αλγορίθμων.[14] Όμως από μαρξιστική σκοπιά τίθεται ένα βαθύτερο ζήτημα: μπορεί η τεχνολογία να γίνει «ουδέτερη» μέσα σε ένα σύστημα που είναι δομικά μη ουδέτερο;

Η εμπειρία από τις ψηφιακές πλατφόρμες δείχνει ότι ακόμη και όταν ο κώδικας είναι ανοιχτός, η πραγματική δύναμη εξακολουθεί να βρίσκεται στις υποδομές: στα δεδομένα, στους διακομιστές, στα δίκτυα διανομής και στην ιδιοκτησία των ίδιων των πλατφορμών.[15] Με άλλα λόγια, η «διαφάνεια» δεν αναιρεί την ταξική σχέση. Οι μορφές οργάνωσης (ακόμη και τεχνικά «ουδέτερες») ενσωματώνουν πάντα συγκεκριμένες κοινωνικές σχέσεις. Άρα το πρόβλημα δεν είναι μόνο η πρόσβαση στον κώδικα, αλλά το ποιος ελέγχει την κατεύθυνση της παραγωγής και με ποια κριτήρια.

Η ιδέα διεθνούς ρύθμισης, επίσης, αναδεικνύει ένα υπαρκτό ζήτημα: η τεχνητή νοημοσύνη δεν αναπτύσσεται εθνικά αλλά μέσα σε παγκόσμια δίκτυα μονοπωλιακού ανταγωνισμού. Για παράδειγμα, η ανάπτυξη μεγάλων μοντέλων τεχνητής νοημοσύνης απαιτεί τεράστιους υπολογιστικούς πόρους που συγκεντρώνονται σε λίγες χώρες και εταιρείες.

Πιο αναλυτικά. Αν πάρουμε σοβαρά την πρόταση του Akrawi για ανοιχτό κώδικα, διαφάνεια, δημοκρατικό έλεγχο και διεθνή ρύθμιση της τεχνητής νοημοσύνης, τότε το βασικό ζήτημα δεν είναι αν όλα αυτά είναι καλά ή επιθυμητά, αλλά αν μπορούν πραγματικά να αλλάξουν τις σχέσεις εξουσίας μέσα στις οποίες αναπτύσσεται η τεχνολογία. Και εδώ η πραγματικότητα αποδεικνύεται πολύ πιο δύσκολη από όσο ακούγεται στη θεωρία.

Ένα πρώτο χαρακτηριστικό παράδειγμα είναι η ίδια η ιστορία του «ανοιχτού λογισμικού». Πλατφόρμες όπως το Linux ξεκίνησαν ως συλλογικά, μη εμπορευματικά εγχειρήματα, με έντονο στοιχείο συνεργασίας και κοινότητας. Ωστόσο, σήμερα αποτελούν βασική υποδομή για τις μεγαλύτερες καπιταλιστικές επιχειρήσεις στον κόσμο, όπως η Amazon, η Google και η Microsoft. Δηλαδή, ένα «ανοιχτό» σύστημα όχι μόνο δεν εμπόδισε τη συγκέντρωση κεφαλαίου, αλλά ενσωματώθηκε πλήρως σε αυτήν. Από μαρξιστική σκοπιά, αυτό δεν είναι παράδοξο: το κεφάλαιο δεν ενδιαφέρεται για τη μορφή ιδιοκτησίας σε επίπεδο κώδικα, αλλά για τον έλεγχο των όρων αξιοποίησης. Όσο οι υποδομές, τα κέντρα δεδομένων, οι αγορές και τα δίκτυα ανήκουν σε λίγους, το «ανοιχτό» δεν αναιρεί την εκμετάλλευση.

Ένα δεύτερο παράδειγμα αφορά την ίδια την υπόσχεση της «διαφάνειας». Σε πολλές περιπτώσεις, εταιρείες δημοσιοποιούν τμήματα των αλγορίθμων τους ή παρέχουν εργαλεία που εξηγούν εν μέρει πώς ένα σύστημα τεχνητής νοημοσύνης καταλήγει σε μια απόφαση. Ωστόσο, αυτές οι πρακτικές προσφέρουν μόνο περιορισμένη κατανόηση, χωρίς να αποκαλύπτουν τον πλήρη μηχανισμό λειτουργίας.

Το κρίσιμο σημείο είναι ότι η ισχύς δεν εντοπίζεται αποκλειστικά στον κώδικα, αλλά κυρίως στα δεδομένα και στην υπολογιστική υποδομή. Έτσι, ακόμη και όταν ένα μοντέλο εμφανίζεται ως «διαφανές», αν στηρίζεται σε μη προσβάσιμα σύνολα δεδομένων και σε συγκεντρωμένους πόρους, η ουσιαστική εξουσία παραμένει περιορισμένη σε λίγους φορείς. Χαρακτηριστικά, τα μεγάλα γλωσσικά μοντέλα που αναπτύσσουν εταιρείες όπως η OpenAI ή η Google δεν αποτελούν απλώς κώδικα, αλλά σύνθετα συστήματα που ενσωματώνουν δεδομένα, υποδομές και επενδύσεις μεγάλης κλίμακας.

Υπό αυτή την έννοια, η «διαφάνεια» λειτουργεί συχνά ως μερική και ελεγχόμενη διαδικασία: δημιουργεί την εντύπωση ανοίγματος, χωρίς να μεταβάλλει τη συγκέντρωση ισχύος, συμβάλλοντας περισσότερο στη νομιμοποίηση των υπαρχουσών δομών παρά σε έναν ουσιαστικό εκδημοκρατισμό.

Αν πάμε στο επίπεδο της κρατικής ρύθμισης, τα παραδείγματα είναι εξίσου αποκαλυπτικά. Η ΕΕ έχει επιχειρήσει να ρυθμίσει την τεχνητή νοημοσύνη μέσω πλαισίων όπως ο AI Act[16]. Ωστόσο, ακόμη και οι πιο προωθημένες ρυθμίσεις καταλήγουν συχνά να λειτουργούν ως «κανόνες παιχνιδιού» που σταθεροποιούν την αγορά, όχι ως μηχανισμοί ανατροπής της. Η εμπειρία από κανονισμούς όπως το GDPR και το AI Act δείχνει ότι οι μεγάλες εταιρείες διαθέτουν τους πόρους να συμμορφωθούν, να επηρεάσουν τη νομοθεσία και να μετακυλίσουν το κόστος. Αντίθετα, μικρότεροι παίκτες ή συλλογικά εγχειρήματα συχνά δυσκολεύονται να ανταποκριθούν δεδομένου ότι οι απαιτήσεις συμμόρφωσης προϋποθέτουν πόρους και οργανωτικές δομές που οι μικρότεροι παίκτες συχνά δεν διαθέτουν. Έτσι, η ρύθμιση μπορεί να ενισχύσει τη συγκέντρωση κεφαλαίου.[17]

Ακόμη πιο χαρακτηριστική είναι η διεθνής διάσταση. Η ιδέα ενιαίων διεθνών κανόνων για την τεχνητή νοημοσύνη προσκρούει στον ανταγωνιστικό χαρακτήρα του σύγχρονου καπιταλισμού. Παραδείγματα όπως οι περιορισμοί των ΗΠΑ στις εξαγωγές chips προς την Κίνα, τα διαφορετικά ρυθμιστικά μοντέλα ΗΠΑ–ΕΕ–Κίνας[18] και οι συγκρούσεις γύρω από την κυριαρχία των δεδομένων[19] δείχνουν ότι η «ρύθμιση» λειτουργεί και ως εργαλείο γεωπολιτικής ισχύος. Αυτό δεν είναι τυχαίο: στο στάδιο του ιμπεριαλισμού, η τεχνολογία αποτελεί όπλο ανταγωνισμού τόσο μεταξύ μονοπωλίων όσο και μεταξύ κρατών, όχι ουδέτερο πεδίο συνεργασίας.

Υπάρχουν και πιο «καθημερινά» παραδείγματα αποτυχίας της ιδέας του δημοκρατικού ελέγχου. Πλατφόρμες κοινωνικής δικτύωσης έχουν εισαγάγει μηχανισμούς «κοινοτικής διακυβέρνησης» ή «ανατροφοδότησης από τους χρήστες»[20]. Παρ’ όλα αυτά, οι βασικές αποφάσεις για το πώς λειτουργούν οι αλγόριθμοι λαμβάνονται με βάση την κερδοφορία. Το τι προβάλλεται και τι μένει στο περιθώριο δεν αποφασίζεται δημοκρατικά, αλλά με βάση το πόσο τραβάει την προσοχή και πόσα χρήματα φέρνει από διαφημίσεις. Δηλαδή, η «συμμετοχή» των χρηστών ενσωματώνεται στην ίδια τη διαδικασία παραγωγής αξίας —δεν την ανατρέπει.

Αυτά τα παραδείγματα δείχνουν κάτι ακόμη πιο βαθύ: ακόμη και όταν αλλάζει η «μορφή» (ανοιχτός κώδικας, διαφάνεια, ρύθμιση), οι ίδιες οι τεχνολογικές δομές συνεχίζουν να ενσωματώνουν τις παλιές κοινωνικές σχέσεις. Ένα σύστημα που έχει σχεδιαστεί για να μεγιστοποιεί την αποδοτικότητα, την πρόβλεψη και τον έλεγχο δεν μετατρέπεται αυτόματα σε εργαλείο συλλογικής χειραφέτησης επειδή έγινε «ανοιχτό» ή «ρυθμισμένο». Χρειάζεται ανασχεδιασμός των ίδιων των στόχων και των κριτηρίων λειτουργίας του —κάτι που δεν μπορεί να συμβεί χωρίς αλλαγή των σχέσεων παραγωγής.

Συνολικά, τα αρνητικά αυτά παραδείγματα δεν σημαίνουν ότι οι προτάσεις για διαφάνεια, ανοιχτό κώδικα ή ρύθμιση είναι άχρηστες. Σημαίνουν όμως ότι, μέσα σε καπιταλιστικές σχέσεις παραγωγής, τείνουν να ενσωματώνονται και να περιορίζονται. Με πιο απλά λόγια: μπορούν να βελτιώσουν πλευρές του συστήματος, αλλά δύσκολα αλλάζουν τον πυρήνα του. Και αυτός ο πυρήνας, από μαρξιστική σκοπιά, δεν είναι άλλος από την παραγωγή και ιδιοποίηση της υπεραξίας.

Αν δεν τεθεί αυτό το ζήτημα, τότε η συζήτηση για «δημοκρατική τεχνητή νοημοσύνη» κινδυνεύει να μείνει στο επίπεδο μορφών διαχείρισης, χωρίς να αγγίζει τις υλικές σχέσεις που καθορίζουν το πώς και για ποιον λειτουργεί η τεχνολογία.

Από τη χρήση στον σχεδιασμό: η τεχνολογία ως πεδίο κοινωνικής και ταξικής σύγκρουσης

Το άρθρο υποστηρίζει ότι η αριστερά δεν χρειάζεται να απορρίπτει την τεχνολογία, αλλά να την κατανοήσει σε βάθος και να προσπαθήσει να τη στρέψει προς όφελος των εργαζομένων. Αυτή η κατανόηση δεν είναι θέμα «εκσυγχρονισμού», αλλά βασική προϋπόθεση για ουσιαστική πολιτική δράση.

Αν η τεχνολογία απορρίπτεται συνολικά ως καπιταλιστική, τότε γίνεται πιο δύσκολο να καταλάβουμε πώς οργανώνονται σήμερα η εργασία, η επικοινωνία και η εξουσία. Αντίθετα, όταν γνωρίζουμε πώς λειτουργούν αυτά τα συστήματα, μπορούμε να εντοπίσουμε τις λογικές τους και τα σημεία όπου μπορούν να αμφισβητηθούν.

Για παράδειγμα, στην εργασία χρησιμοποιούνται αλγόριθμοι που καθορίζουν ρυθμούς, αξιολογήσεις και συνθήκες. Χωρίς κατανόηση αυτών των μηχανισμών, οι εργαζόμενοι δυσκολεύονται να αντιδράσουν, να τους απορρίψουν ή να τους αλλάξουν. Έτσι, η έλλειψη γνώσης τελικά ενισχύει τις ανισότητες.

Η γνώση της τεχνολογίας από μόνη της δεν λύνει τα προβλήματα, αλλά είναι απαραίτητη. Χωρίς αυτήν, κάθε πολιτική προσπάθεια μένει επιφανειακή, γιατί δεν αγγίζει τους βασικούς τρόπους με τους οποίους παράγεται και διατηρείται η ισχύς.

Η θέση αυτή συνδέεται με μια αντίληψη της τεχνολογίας ως πεδίου ταξικής σύγκρουσης, όπου η ίδια τεχνολογία μπορεί να χρησιμοποιηθεί με διαφορετικούς τρόπους: για παράδειγμα, συστήματα παρακολούθησης εργαζομένων μπορούν να αξιοποιηθούν και για την καταγραφή και οργάνωση των συνθηκών εργασίας με στόχο τη συλλογική δράση.

Ωστόσο, είναι κρίσιμο να διακρίνουμε ανάμεσα στη χρήση και στον σχεδιασμό της τεχνολογίας. Η χρήση αφορά τον τρόπο αξιοποίησης ενός συστήματος σε συγκεκριμένες συνθήκες, ενώ ο σχεδιασμός καθορίζει τις δυνατότητές του εξαρχής. Μια τεχνολογία μπορεί να φαίνεται ουδέτερη στη χρήση της, αλλά να ενσωματώνει συγκεκριμένες κοινωνικές σχέσεις ήδη από τη δομή της. Για παράδειγμα, ένα σύστημα τεχνητής νοημοσύνης σε αποθήκη μπορεί να παρουσιαστεί ως εργαλείο οργάνωσης της εργασίας, αλλά αν έχει σχεδιαστεί ώστε να μετρά συνεχώς τον χρόνο, να ελαχιστοποιεί τον «νεκρό χρόνο» και να μεγιστοποιεί τον ρυθμό παραγωγής, τότε ενσωματώνει εγγενώς λογικές πειθαρχίας και εντατικοποίησης.[21]

Η διάκριση ανάμεσα σε «χρήση» και «δομή» δεν αποκλείει τη σημασία της χρήσης. Λέει όμως ότι η χρήση δεν είναι ποτέ εντελώς ελεύθερη. Η δομή λειτουργεί σαν ένα είδος «σιωπηλής πολιτικής»: κατευθύνει, περιορίζει και συχνά αναπαράγει ανισότητες ακόμη και όταν δεν υπάρχει ρητή πρόθεση.

Από αυτή την οπτική, η ταξική σύγκρουση δεν αφορά μόνο τη ρύθμιση ή τη χρήση της τεχνολογίας, αλλά και τον ίδιο τον τρόπο παραγωγής της: ποιος τη σχεδιάζει, με ποιους στόχους, με ποια δεδομένα και ποια κριτήρια αξιολόγησης. Έτσι, ακόμη και συστήματα που στοχεύουν στην «παραγωγικότητα», την «αλληλεπίδραση» ή την «εμπλοκή χρηστών» ενσωματώνουν συγκεκριμένες κοινωνικές λογικές, όπως τον εργοδοτικό έλεγχο ή την εμπορευματοποίηση της προσοχής. Αντίστοιχα, έργα ανοιχτού κώδικα μπορεί να εξαρτώνται από μεγάλες υποδομές υπολογιστικού νέφους όπως οι Amazon Web Services, Microsoft Azure ή Google Cloud, αναπαράγοντας έτσι σχέσεις εξάρτησης από συγκεντρωμένο κεφάλαιο.

Σε τελική ανάλυση, η τεχνολογία δεν είναι απλώς ένα γνωστικό αντικείμενο που μπορεί να «κατακτηθεί» μέσω κατανόησης. Οι τεχνολογίες δεν είναι πλήρως ευέλικτες, καθώς αναπτύσσονται μέσα σε συγκεκριμένες κοινωνικές και οικονομικές συνθήκες και ενσωματώνουν τις αντίστοιχες σχέσεις παραγωγής. Για τον λόγο αυτό, ο μετασχηματισμός τους δεν μπορεί να επιτευχθεί μόνο σε επίπεδο γνώσης ή χρήσης, αλλά προϋποθέτει πολιτικό έλεγχο και εξουσία πάνω στα δεδομένα, στις υποδομές και στους βασικούς μηχανισμούς παραγωγής.

Κάτι ακόμη πιο συγκεκριμένο: ακόμη και μετά από αλλαγές στο πολιτικό επίπεδο, οι τεχνολογίες συνεχίζουν να φέρουν μέσα τους τις κοινωνικές σχέσεις μέσα στις οποίες δημιουργήθηκαν. Γι’ αυτό δεν μετασχηματίζονται αυτόματα, αλλά απαιτούν συνεχή επαναδιαμόρφωση μέσα από πρακτική και κοινωνική παρέμβαση. Η διαδικασία αυτή δεν είναι γραμμική ούτε άμεση, αλλά εξελίσσεται μέσα από συγκρούσεις, καθώς διαφορετικές κοινωνικές δυνάμεις προσπαθούν να αναδιαμορφώσουν τον τρόπο λειτουργίας των τεχνικών συστημάτων.

Σε αυτή τη διαδικασία ανακύπτουν πολλαπλές αντιστάσεις: από υφιστάμενες θεσμικές δομές, από τον ίδιο τον τεχνικό σχεδιασμό των συστημάτων, αλλά και από τα συμφέροντα που αντιπαρατίθενται ή έχουν ήδη ενσωματωθεί σε αυτά τα συστήματα. Έτσι, η κοινωνική χρήση της τεχνολογίας δεν αποτελεί απλή εφαρμογή πολιτικών αποφάσεων, αλλά πεδίο διαρκούς διαπραγμάτευσης και σύγκρουσης.

Με αυτή την έννοια, η «κατάκτηση» της τεχνολογίας δεν είναι στιγμιαίο γεγονός, αλλά παρατεταμένη διαδικασία μετασχηματισμού. Ακόμη και όταν αλλάζει το ποιος ασκεί εξουσία, η τεχνολογία δεν προσαρμόζεται αυτόματα, αλλά απαιτεί επανασχεδιασμό και επανανοηματοδότηση στην πράξη, μέσα από συνεχή κοινωνική και πολιτική πάλη.

Συνολικά, το άρθρο του Rezgar Akrawi προσφέρει μια ευρεία και πολυδιάστατη ματιά στον ρόλο της τεχνητής νοημοσύνης στη σύγχρονη κοινωνία, συνδέοντας την τεχνολογία με ζητήματα εργασίας, εξουσίας, οργάνωσης, ταξικής πάλης και ανισοτήτων, πολιτικού υποκειμένου και συνείδησης.

Αφήνει, έστω και έμμεσα, να εννοηθεί ότι οι παραγωγικές σχέσεις αναπαράγονται όσο παραμένουν αμετάβλητες οι σχέσεις εξουσίας που τις στηρίζουν.

Η αξία του, ωστόσο, βρίσκεται κυρίως στο ότι ανοίγει μια μεγάλη συζήτηση και θέτει ερωτήματα που δεν έχουν εύκολες ή άμεσες απαντήσεις. Η παρούσα κριτική στάθηκε μόνο σε ορισμένες πλευρές του άρθρου, αφήνοντας εκτός άλλες που θα μπορούσαν να αποτελέσουν αντικείμενο περαιτέρω συζήτησης. Με αυτή την έννοια, το κείμενο του Akrawi λειτουργεί περισσότερο ως αφετηρία προβληματισμού παρά ως κάτι που εξαντλείται σε μία και μόνο ανάγνωση. Αυτό ίσως να είναι και το πιο ουσιαστικό του στοιχείο.

Σημειώσεις

*Το κείμενο είναι μια απόπειρα κριτικής προσέγγισης στο άρθρο του Rezgar Akrawi «Τεχνητή νοημοσύνη, αναπαράγοντας την κυριαρχία της καπιταλιστικής τάξης με πιο εξελιγμένα μέσα» που δημοσιεύτηκε στις 7 Ιανουαρίου 2026 στο Radical Politics με τίτλο «Artificial intelligence, reproducing capitalist class domination by more sophisticated means» στη διεύθυνση … https://radicalpolitics.org/2026/01/07/artificial-intelligence-reproducing-capitalist-class-domination-by-more-sophisticated-means/

 Παραπομπές

---

[1] Τα μηχανήματα μεταφέρουν απλώς στο προϊόν την αξία που ήδη περιέχουν. Με αυτή την έννοια, η τεχνητή νοημοσύνη, όπως και κάθε άλλη τεχνολογία, ανήκει σε αυτό που ο Μαρξ ονόμαζε «σταθερό κεφάλαιο».

[2] Γνωστική εργασία: εργασία όπου το «κύριο εργαλείο» είναι ο νους, όχι το σώμα. Π.χ. προγραμματισμός, σχεδιασμός λογισμικού, ανάλυση δεδομένων, έρευνα, συγγραφή κλπ.

Ψηφιακή εργασία: εργασία που εντάσσεται άμεσα σε ψηφιακές υποδομές, γίνεται μέσα από ψηφιακές πλατφόρμες με χρήση υπολογιστικών συστημάτων. Π.χ. επισήμανση δεδομένων, έλεγχος περιεχομένου.

[3] Αν κάθε ψηφιακό ίχνος —κάθε αλληλεπίδραση, κοινωνική επικοινωνία, πολιτισμική έκφραση, κατανάλωση περιεχομένου, απλή χρήση μιας πλατφόρμας ή ακόμη και η απλή παρουσία στο διαδίκτυο— βαφτιστεί παραγωγική εργασία, τότε η έννοια της εργασίας αποσυνδέεται από τη μισθωτή σχέση, την παραγωγή εμπορεύματος, τον κοινωνικά αναγκαίο χρόνο εργασίας και την παραγωγή υπεραξίας. Μαζί της χάνει το νόημά της και η διάκριση παραγωγικής και μη παραγωγικής εργασίας. Σε αυτή την περίπτωση, η θεωρία της αξίας μετατρέπεται σε μια γενική θέση ότι κάθε ανθρώπινη δραστηριότητα παράγει οικονομικό αποτέλεσμα.

Ένας εργαζόμενος που επισημαίνει εικόνες για να εκπαιδευτεί ένα σύστημα τεχνητής νοημοσύνης, πληρώνεται από εταιρεία, συμβάλλει σε προϊόν που θα πουληθεί και παράγει υπεραξία.

Ένας «απλός χρήστης» κάνει σκρολ, κλικ, likes. Δεν πληρώνεται αλλά παράγει δεδομένα. Αυτό δεν είναι άμεσα παραγωγική εργασία με μαρξιστικούς όρους, αλλά, βοηθά στην κυκλοφορία, αυξάνει κέρδη.

[4] Μερικά παραδείγματα. Στον χώρο της υγείας, η τεχνητή νοημοσύνη χρησιμοποιείται για τη διαχείριση ραντεβού ή τον καθορισμό προτεραιοτήτων στα περιστατικά. Αυτό φαίνεται να αυτοματοποιεί τη γραμματειακή εργασία. Στην πραγματικότητα όμως, δημιουργεί νέες απαιτήσεις: προσωπικό που πρέπει να ελέγχει αν τα δεδομένα είναι σωστά, να διορθώνει λάθη (π.χ. λάθος κατηγοριοποίηση ενός επείγοντος περιστατικού) και να διαχειρίζεται περιπτώσεις που «δεν ταιριάζουν» στα πρότυπα του συστήματος. Επιπλέον, αυξάνεται η εργασία καταγραφής: για να λειτουργήσουν τα συστήματα, οι επαγγελματίες υγείας αφιερώνουν περισσότερο χρόνο στην εισαγωγή και τυποποίηση δεδομένων.

Στη βιομηχανία, τα «έξυπνα» εργοστάσια με ρομπότ και αισθητήρες προβάλλονται ως χώροι όπου η ανθρώπινη εργασία μειώνεται δραστικά. Ωστόσο, η επίδραση στην εργασία είναι διττή: από τη μία πλευρά, ορισμένες θέσεις εργασίας μειώνονται ή καταργούνται, ενώ από την άλλη η εργασία αναδιαμορφώνεται, αποκτώντας νέες μορφές και ρόλους. Οι εργάτες μπορεί να μην εκτελούν την ίδια επαναλαμβανόμενη κίνηση, αλλά αναλαμβάνουν ρόλους επιτήρησης, συντήρησης και παρέμβασης όταν κάτι πάει στραβά. Ταυτόχρονα, δημιουργείται ένα ολόκληρο υπόστρωμα εργασίας εκτός εργοστασίου: ανάλυση δεδομένων παραγωγής, απομακρυσμένη παρακολούθηση, ανάπτυξη και δοκιμή αλγορίθμων. Συχνά αυτές οι εργασίες είναι κατανεμημένες σε διαφορετικές χώρες και δεν συνδέονται άμεσα, στα μάτια του κοινού, με το τελικό προϊόν.

Στον τουρισμό, οι αυτοματοποιημένες κρατήσεις και τα «έξυπνα» συστήματα εξυπηρέτησης πελατών φαίνεται να περιορίζουν την ανάγκη για ανθρώπινο προσωπικό. Όμως, πίσω από μια απλή online κράτηση υπάρχει εργασία που δεν φαίνεται: διαχείριση περιεχομένου (φωτογραφίες, περιγραφές), συνεχής ενημέρωση τιμών, αντιμετώπιση προβλημάτων που δεν μπορεί να λύσει το σύστημα (π.χ. ειδικά αιτήματα πελατών), καθώς και παρακολούθηση αξιολογήσεων και σχολίων. Επιπλέον, η πίεση μεταφέρεται σε άλλους ρόλους, όπως στο προσωπικό καθαριότητας ή εξυπηρέτησης, που καλείται να ανταποκριθεί σε πιο ασταθείς και εντατικοποιημένους ρυθμούς λόγω της δυναμικής τιμολόγησης και της αυξημένης ροής πελατών.

Στην εκπαίδευση, για παράδειγμα, τα συστήματα αυτόματης διόρθωσης ή οι πλατφόρμες εξατομικευμένης μάθησης δίνουν την εντύπωση ότι μειώνεται ο ρόλος του εκπαιδευτικού. Στην πράξη όμως, ο ρόλος αλλάζει. Ο δάσκαλος δεν περιορίζεται πλέον στη μετάδοση γνώσης, αλλά καλείται να ερμηνεύσει τα δεδομένα που παράγει η πλατφόρμα, να εντοπίσει γιατί ένας μαθητής «κολλάει» σε ένα σημείο και να παρέμβει παιδαγωγικά. Παράλληλα, υπάρχει αόρατη εργασία πίσω από τα συστήματα αυτά: άνθρωποι που σχεδιάζουν τις ασκήσεις, επισημαίνουν σωστές και λανθασμένες απαντήσεις, ή «εκπαιδεύουν» τα μοντέλα ώστε να κατανοούν διαφορετικούς τρόπους σκέψης των μαθητών.

Σε όλους αυτούς τους τομείς, παρατηρείται το ίδιο μοτίβο: η τεχνητή νοημοσύνη μεταφέρει την εργασία από το άμεσα ορατό επίπεδο (εκεί όπου ο χρήστης βλέπει μια «αυτόματη» λειτουργία) σε ένα πιο διάχυτο δίκτυο δραστηριοτήτων. Αυτή η εργασία είναι συχνά πιο κατακερματισμένη, λιγότερο σταθερή και μερικές φορές λιγότερο αναγνωρισμένη, αλλά παραμένει απολύτως απαραίτητη για να λειτουργήσουν τα ίδια τα «αυτοματοποιημένα» συστήματα.

[5] Τα δεδομένα δεν συγκροτούν μια ενιαία κατηγορία ως προς την προέλευση και την αξιακή τους μορφή. Στην απλούστερη εκδοχή τους, εμφανίζονται ως ψηφιακά ίχνη της δραστηριότητας των χρηστών (όπως αναζητήσεις, κλικ ή «likes»), τα οποία δεν παράγονται στο πλαίσιο μισθωτής εργασίας. Σε αυτή την περίπτωση, δεν ενσωματώνουν άμεσα προηγούμενη εργασία και δεν διαθέτουν εξαρχής αξιακή μορφή· αποτελούν ένα «αντικείμενο εργασίας» που μπορεί να αξιοποιηθεί εκ των υστέρων.

Ωστόσο, ένα σημαντικό μέρος των δεδομένων παράγεται ως δευτερογενές προϊόν της ίδιας της παραγωγικής διαδικασίας. Δεδομένα που προκύπτουν από τη λειτουργία επιχειρησιακών συστημάτων, την εργασία σε ψηφιακές πλατφόρμες ή τη χρήση μηχανών και λογισμικών από εργαζόμενους δημιουργούνται εντός του χρόνου μισθωτής εργασίας και ως αναγκαίο παραπροϊόν αυτής. Σε αυτές τις περιπτώσεις, τα δεδομένα ενσωματώνουν ήδη από τη γένεσή τους εργασία και, κατ’ επέκταση, φέρουν στοιχεία αξίας, έστω και αν δεν παράγονται ως αυτοτελή εμπορεύματα.

Η πλήρης οικονομική αξιοποίησή των δεδομένων πραγματοποιείται όταν το κεφάλαιο τα συλλέγει, τα περιφράσσει και τα εντάσσει σε καθεστώτα ιδιοκτησίας και ελέγχου. Μέσω αυτών των διαδικασιών, τα δεδομένα καθίστανται αποκλειστικά και μη άμεσα προσβάσιμα, ενώ η αξία τους διαμορφώνεται μέσω της οργάνωσης και επεξεργασίας τους από εξειδικευμένη εργασία (επισημαντές, προγραμματιστές, αναλυτές κ.λπ.). Έτσι μετατρέπονται σε «άυλη πρώτη ύλη» για την παραγωγή ψηφιακών προϊόντων και υπηρεσιών.

Σε αυτή τη μορφή, τα δεδομένα λειτουργούν ταυτόχρονα ως φορείς μεταβίβασης παρελθούσας εργασίας, ως βάση για την άντληση προσόδου και ως θεμέλιο ψηφιακών μονοπωλιακών μορφών εκμετάλλευσης. Επιπλέον, αποτελούν βασική προϋπόθεση για την κυκλοφορία εμπορευμάτων —όπως στη στοχευμένη διαφήμιση— και, συνεπώς, κρίσιμο όρο της σύγχρονης οικονομικής κυκλοφορίας.

[6] Η άποψη ότι οι μεγάλες τεχνολογικές εταιρείες διαθέτουν ανίκητο πλεονέκτημα στην τεχνητή νοημοσύνη λόγω του όγκου δεδομένων που κατέχουν αμφισβητείται. Παρά τη συσσώρευση τεράστιων ποσοτήτων δεδομένων από εταιρείες όπως Google ή Meta, ο ανταγωνισμός παραμένει έντονος, καθώς μικρότερες εταιρείες και νεοφυείς επιχειρήσεις μπορούν να υπερέχουν μέσω καινοτόμων αλγορίθμων, βελτιωμένης εμπειρίας χρήστη ή εξειδίκευσης. Ενδεικτικά, η OpenAI με το ChatGPT αναδιαμόρφωσε την αγορά, ενώ η Anthropic ανέπτυξε το Claude δίνοντας έμφαση στην ασφάλεια και την ποιότητα. Παράλληλα, εφαρμογές όπως το Midjourney κατέκτησαν ηγετική θέση χωρίς πρόσβαση σε αντίστοιχα μαζικά δεδομένα χρηστών.

Ταυτόχρονα, τεχνολογικές εξελίξεις μειώνουν τη σχετική σημασία του όγκου δεδομένων, καθώς αναπτύσσονται συνθετικά δεδομένα που παράγονται μέσω προσομοιώσεων. Για παράδειγμα, η Tesla αξιοποιεί εικονικά περιβάλλοντα για την εκπαίδευση αυτόνομων συστημάτων οδήγησης, ενώ πλατφόρμες όπως το NVIDIA Omniverse επιτρέπουν την παραγωγή συνθετικών δεδομένων για βιομηχανικές και ρομποτικές εφαρμογές. Τέλος, η τάση προς εξειδικευμένα μοντέλα αναδεικνύει τη σημασία της ποιότητας και της καταλληλότητας των δεδομένων έναντι της ποσότητας· χαρακτηριστικό παράδειγμα αποτελεί το AlphaFold, το οποίο βασίζεται σε εξειδικευμένα βιολογικά δεδομένα για την πρόβλεψη της τρισδιάστατης δομής πρωτεϊνών.

Abbott, Alden and Satya Marar. “Is Data Really a Barrier to Entry? Rethinking Competition Regulation in Generative AI.” Mercatus Working Paper, Mercatus Center at George Mason University, Arlington, VA, March 2025.

[7] Από τη μία πλευρά, οι επιχειρήσεις έχουν κάθε κίνητρο να αντικαταστήσουν εργαζόμενους με μηχανές για να μειώσουν το κόστος και να αυξήσουν την παραγωγικότητα. Από την άλλη, αν η ζωντανή εργασία είναι η μόνη πηγή αξίας, τότε η μείωσή της υπονομεύει τη βάση του κέρδους. Αυτό δεν είναι μια θεωρητική «παραξενιά», αλλά μια κεντρική ιδέα της μαρξιστικής θεωρίας: όσο αυξάνεται το βάρος των μηχανών σε σχέση με την εργασία —αυτό που ονομάζεται αύξηση της οργανικής σύνθεσης του κεφαλαίου— τόσο ασκείται πίεση στο ποσοστό κέρδους. Με απλά λόγια, ο καπιταλισμός γίνεται πιο παραγωγικός αλλά ταυτόχρονα δυσκολεύεται να παράγει κέρδος με τον ίδιο ρυθμό.

[8] Για παράδειγμα, τα μεγάλα μοντέλα εκπαιδεύονται σε βιβλία, άρθρα, έργα τέχνης. Εδώ η παραγωγή είναι ιστορικά και κοινωνικά συσσωρευμένη αλλά η αξιοποίηση γίνεται από εταιρείες χωρίς άμεση ανταμοιβή δημιουργών. Ή όταν η τεχνητή νοημοσύνη χρησιμοποιείται για επιτήρηση, διοικητικές αποφάσεις. Τα δεδομένα προέρχονται από την κοινωνία, αλλά η χρήση μπορεί να ενισχύει κρατικό έλεγχο ή να εξυπηρετεί ιδιωτικούς αναδόχους.

[9] Για παράδειγμα, σε ένα επιχειρηματικό περιβάλλον, τα «μετρήσιμα» στοιχεία συχνά σχετίζονται με το κέρδος, την αποδοτικότητα ή την αύξηση της χρήσης και όχι με το κοινωνικό όφελος, τη δικαιοσύνη ή την ευημερία των εργαζομένων.

[10] Η ανάπτυξη της τεχνητής νοημοσύνης «αναδιαμορφώνει τις κοινωνικές σχέσεις» γιατί κάνει τον έλεγχο πιο συνεχόμενο και ακριβή, μεταφέρει εξουσία σε αλγοριθμικά συστήματα, αλλάζει τα κριτήρια αξιολόγησης της εργασίας, και δημιουργεί νέες μορφές εργασιακής οργάνωσης. Άρα, δεν πρόκειται απλώς για τεχνολογική αλλαγή, αλλά για αλλαγή στον ίδιο τον τρόπο που δομείται και βιώνεται η εργασία.

Πιο συγκεκριμένα:

1. Αλγοριθμική οργάνωση της εργασίας

Σε πολλούς κλάδους, η οργάνωση της δουλειάς γίνεται από αλγορίθμους. Συστήματα τεχνητής νοημοσύνης αναθέτουν καθήκοντα, ρυθμίζουν ρυθμούς εργασίας και καθορίζουν προτεραιότητες σε πραγματικό χρόνο. Αυτό δεν είναι απλώς «βελτίωση» της οργάνωσης· μετασχηματίζει τη σχέση εργαζομένου–εργοδότη, καθώς η εξουσία γίνεται πιο απρόσωπη, συνεχής και δύσκολα αμφισβητήσιμη.

2. Εντατικοποίηση

Η χρήση δεδομένων και αισθητήρων επιτρέπει πολύ λεπτομερή παρακολούθηση της εργασίας (χρόνος απόκρισης, κινήσεις, απόδοση ανά λεπτό). Έτσι, η εργασία γίνεται πιο μετρήσιμη αλλά και πιο ελεγχόμενη. Αυτό ενισχύει ήδη υπάρχουσες μορφές ελέγχου (π.χ. επιτήρηση), αλλά τις κάνει και πιο συστηματικές και διαρκείς.

3. Αξιολόγηση

Η απόδοση των εργαζομένων αξιολογείται όλο και περισσότερο με αλγοριθμικά συστήματα που βασίζονται σε βαθμολογίες, αριθμητικούς δείκτες και μετρήσιμα κριτήρια απόδοσης. Αυτές οι αξιολογήσεις μπορεί να επηρεάζουν άμεσα μισθούς, προαγωγές ή ακόμη και απολύσεις. Εδώ βλέπουμε έναν μετασχηματισμό. Η εξουσία δεν ασκείται μόνο «από πάνω», αλλά ενσωματώνεται σε συστήματα που εμφανίζονται ως ουδέτερα και αντικειμενικά.

4. Πλατφορμοποίηση της εργασίας

Σε πλατφόρμες διανομής, μετακίνησης ή ψηφιακής εργασίας, η τεχνητή νοημοσύνη καθορίζει ποιος δουλεύει, πότε και με ποιους όρους. Αυτό οδηγεί σε νέες μορφές οργάνωσης της εργασίας. Πιο ευέλικτες αλλά και πιο ασταθείς, με λιγότερη προστασία και μεγαλύτερη εξάρτηση από αλγοριθμικά συστήματα.

[11] Η τεχνητή νοημοσύνη αλλάζει τον τρόπο με τον οποίο οργανώνεται και ελέγχεται η εργασία: αυτοματοποίηση καθηκόντων, παρακολούθηση εργαζομένων, κατανομή εργασίας μέσω αλγορίθμων, εντατικοποίηση της παραγωγής, μείωση κόστους εργασίας.

[12] Αναφέρεται στη μορφή οργάνωσης της διαδικασίας μέσω της οποίας το κεφάλαιο επιδιώκει να αυξηθεί, δηλαδή να παράγει περισσότερο κέρδος/υπεραξία. Η τεχνητή νοημοσύνη χρησιμοποιείται για αύξηση παραγωγικότητας, μείωση εργασιακού κόστους, καλύτερο έλεγχο της αγοράς και των δεδομένων, ενίσχυση της κερδοφορίας.

[13] Η τεχνητή νοημοσύνη δεν επηρεάζει μόνο την εργασία μέσα στο εργοστάσιο ή την επιχείρηση, αλλά και την καθημερινή κοινωνική ζωή και τις σχέσεις εξουσίας. Διαμόρφωση συμπεριφορών μέσω αλγορίθμων, επιτήρηση, παραγωγή ιδεολογίας, αναπαραγωγή κοινωνικών ανισοτήτων, επιρροή στην εκπαίδευση, στην ενημέρωση, στην κατανάλωση κ.λπ.

[14] Υπάρχουν ήδη παραδείγματα μοντέλων τεχνητής νοημοσύνης ανοιχτού ή ημι-ανοιχτού χαρακτήρα, όπως τα LLaMA, Mistral, Stable Diffusion κ.α., τα οποία επιτρέπουν σε χρήστες και ερευνητές να κατεβάζουν, να τροποποιούν και να ελέγχουν τη λειτουργία τους. Ωστόσο, η διαφάνεια αυτή παραμένει μερική, καθώς συχνά δεν περιλαμβάνει τα δεδομένα εκπαίδευσης ή το πλήρες παραγωγικό πλαίσιο. Συνεπώς, ακόμη και τα «ανοιχτά» μοντέλα επιβεβαιώνουν ότι η τεχνολογία δεν καθίσταται αυτόματα ουδέτερη ή χειραφετητική μέσω της πρόσβασης, αλλά απαιτεί βαθύτερο μετασχηματισμό των όρων σχεδιασμού και χρήσης της.

[15] Παραδείγματα όπως το Android, τα μοντέλα τεχνητής νοημοσύνης ανοιχτού κώδικα και τα αποκεντρωμένα δίκτυα όπως το Mastodon δείχνουν ότι ο ανοιχτός κώδικας δεν συνεπάγεται από μόνος του αποκέντρωση της ισχύος. Παρά τη διαθεσιμότητα του κώδικα, ο έλεγχος παραμένει συγκεντρωμένος σε όσους κατέχουν τα δεδομένα, την υπολογιστική υποδομή και τα δίκτυα διανομής, επιβεβαιώνοντας ότι η τεχνολογική ισχύς είναι βαθιά συνδεδεμένη με υλικούς πόρους και όχι μόνο με τη μορφή του λογισμικού.

[16] Νομοθετική πράξη για την Τεχνητή Νοημοσύνη

https://artificialintelligenceact.eu/

[17] Ο κανονισμός General Data Protection Regulation έθεσε αυστηρούς κανόνες για τα προσωπικά δεδομένα. Οι μεγάλες εταιρείες (π.χ. Google, Meta Platforms) διέθεταν νομικές ομάδες και πόρους για να προσαρμοστούν, ενσωμάτωσαν τη συμμόρφωση στα επιχειρηματικά τους μοντέλα. Οι μικρότερες επιχειρήσεις αντιμετώπισαν σημαντικό κόστος (νομικό, τεχνικό, οργανωτικό), σε ορισμένες περιπτώσεις αποχώρησαν από την ευρωπαϊκή αγορά. Έρευνες έχουν δείξει ότι μετά το GDPR μειώθηκε η είσοδος νέων παικτών σε αγορές διαφήμισης και δεδομένων και ενισχύθηκαν οι ήδη κυρίαρχες πλατφόρμες.

Ο AI Act της ΕΕ εισάγει αξιολογήσεις κινδύνου, τεκμηρίωση, ελέγχους συμμόρφωσης. Αυτό σημαίνει ότι το κόστος ανάπτυξης και λειτουργίας αυξάνεται και ότι απαιτούνται εξειδικευμένες ομάδες (νομικές, τεχνικές, ethics). Οι μεγάλες εταιρείες μπορούν να απορροφήσουν το κόστος, να δημιουργήσουν εξειδικευμένα τμήματα μέσα σε μια επιχείρηση που αναλαμβάνουν να διασφαλίσουν ότι η λειτουργία της συμμορφώνεται με τους νόμους και τους κανονισμούς. Οι μικρότεροι παίκτες δυσκολεύονται να ανταποκριθούν, αντιμετωπίζουν υψηλά εμπόδια εισόδου.

European Commission (2020), “Data protection as a pillar of citizens’ empowerment and the EU’s approach to the digital transition”

https://eur-lex.europa.eu/legal-content/EL/ALL/?uri=COM%3A2020%3A264%3AFIN

Christian Peukert, Stefan Bechtold, Michail Batikas, Tobias Kretschmer (2022) Regulatory Spillovers and Data Governance: Evidence from the GDPR. Marketing Science 41(4):746-768.

https://doi.org/10.1287/mksc.2021.1339

[18] Η ΕΕ με τον AI Act δίνει έμφαση σε δικαιώματα και ένα μοντέλο ρύθμισης όπου τα συστήματα τεχνητής νοημοσύνης κατηγοριοποιούνται ανάλογα με τον κίνδυνο που ενέχουν, με αυστηρότερους κανόνες για τα πιο επικίνδυνα και πιο χαλαρούς για τα λιγότερο κρίσιμα. Οι ΗΠΑ βασίζονται περισσότερο στην αγορά και στην καινοτομία, με πιο «ήπια» και αποσπασματική ρύθμιση. Η Κίνα εφαρμόζει αυστηρό κρατικό έλεγχο, με έμφαση στην πολιτική σταθερότητα και την επιτήρηση. Συμπέρασμα, δεν υπάρχει κοινό πλαίσιο αλλά ανταγωνιστικά μοντέλα τεχνητής νοημοσύνης.

[19] Η ΕΕ προωθεί πολιτικές «ψηφιακής κυριαρχίας». Περιορισμούς στη μεταφορά δεδομένων, προσπάθεια να μειωθεί η εξάρτηση από αμερικανικές εταιρείες. Οι ΗΠΑ στηρίζονται στη δύναμη των εταιρειών τους (π.χ. Google, Microsoft) και η Κίνα διατηρεί αυστηρό εθνικό έλεγχο δεδομένων. Άρα τα δεδομένα —που είναι κρίσιμα για την τεχνητή νοημοσύνη— γίνονται αντικείμενο κρατικού ανταγωνισμού.

[20] Είναι τρόποι συμμετοχής των χρηστών στη λειτουργία μιας πλατφόρμας, κυρίως μέσω αναφορών, αξιολογήσεων και δεδομένων χρήσης. Ωστόσο, αυτή η συμμετοχή είναι περιορισμένη, καθώς δεν συνοδεύεται από πραγματικό έλεγχο στους κανόνες, στους αλγορίθμους ή στις υποδομές, με αποτέλεσμα να λειτουργεί περισσότερο ως μορφή ενσωμάτωσης των χρηστών στη λειτουργία του συστήματος παρά ως ουσιαστικός δημοκρατικός έλεγχος.

[21] Ένα γνωστό παράδειγμα είναι τα συστήματα τεχνητής νοημοσύνης που χρησιμοποιήθηκαν για προσλήψεις σε μεγάλες εταιρείες (όπως πειραματικά εργαλεία που ανέπτυξαν τεχνολογικές εταιρείες για αυτόματη επιλογή βιογραφικών). Παρότι η “χρήση” τους παρουσιάστηκε ως ουδέτερη βελτιστοποίηση, η δομή των δεδομένων εκπαίδευσης βασίστηκε σε ιστορικά πρότυπα προσλήψεων που ήδη περιείχαν ανισότητες φύλου, φυλής, κοινωνικής τάξης. Το αποτέλεσμα ήταν ότι το σύστημα μάθαινε να αναπαράγει αυτές τις ανισότητες, π.χ. υποβαθμίζοντας βιογραφικά γυναικών ή συγκεκριμένων κοινωνικών ομάδων.

Εδώ φαίνεται καθαρά ότι δεν φταίει μόνο “η χρήση”, αλλά ο τρόπος που το σύστημα έχει χτιστεί πάνω σε ήδη άνισες κοινωνικές σχέσεις.

Άλλο παράδειγμα έχουμε στα κοινωνικά δίκτυα, όπου συχνά λέγεται ότι “η χρήση εξαρτάται από τον χρήστη”. Όμως η δομή των αλγορίθμων δείχνει κάτι διαφορετικό. Τα συστήματα έχουν σχεδιαστεί να βελτιστοποιούν χρόνο παραμονής στην πλατφόρμα, αλληλεπίδραση (likes, κοινοποιήσεις, σχόλια), διαφημιστικά έσοδα. Αυτό οδηγεί εμπειρικά σε φαινόμενα όπως ενίσχυση ακραίου ή συγκρουσιακού περιεχομένου, δημιουργία κατάστασης όπου οι αλγόριθμοι των ψηφιακών πλατφορμών προβάλλουν κυρίως περιεχόμενο που συμφωνεί με τις προηγούμενες προτιμήσεις του χρήστη, περιορίζοντας την έκθεση σε διαφορετικές απόψεις και δημιουργώντας ένα περιβάλλον πληροφοριακής ομοιογένειας, διάδοση παραπληροφόρησης επειδή συχνά προκαλεί ισχυρότερες συναισθηματικές αντιδράσεις και περισσότερη αλληλεπίδραση. Άρα ακόμη κι αν κάποιος “χρησιμοποιεί σωστά” την πλατφόρμα, η ίδια η δομή της ωθεί το συνολικό περιβάλλον προς συγκεκριμένες κατευθύνσεις.

Ένα τρίτο παράδειγμα μπορεί να είναι το σύστημα προγνωστικής αστυνόμευσης. Σε ορισμένα αστυνομικά συστήματα, η τεχνητή νοημοσύνη χρησιμοποιείται για την πρόβλεψη «περιοχών εγκληματικότητας». Τα συστήματα αυτά βασίζονται σε ιστορικά δεδομένα αστυνόμευσης, τα οποία όμως δεν είναι ουδέτερα: αντανακλούν ήδη πρακτικές εντατικότερης επιτήρησης σε φτωχότερες γειτονιές, καθώς και κοινωνικές και φυλετικές ανισότητες στην κατανομή της αστυνομικής παρουσίας. Ως αποτέλεσμα, το σύστημα τείνει να «προβλέπει» υψηλότερη εγκληματικότητα στις ίδιες περιοχές που στο παρελθόν βρίσκονταν ήδη υπό αυξημένη επιτήρηση. Με αυτόν τον τρόπο δημιουργείται ένας αυτοτροφοδοτούμενος κύκλος, όπου οι υπάρχουσες ανισότητες όχι μόνο δεν αμβλύνονται, αλλά αναπαράγονται και ενισχύονται.